在Groovy中解析XML应该是小菜一碟，但我总是遇到问题。
我想解析这样的字符串：
<html>
<p>
This is a <span>test</span> with <b>some</b> formattings.<br />
And this has a <ac:special>special</ac:special> formatting.
</p>
</html>
当我以标准方式new XmlSlurper().parseText(body)执行时，解析器会抱怨 实体。在这种情况下，我的秘密武器是使用标签：
def parser = new org.ccil.cowan.tagsoup.Parser()
def page = new XmlSlurper(parser).parseText(body)
但现在<ac:sepcial>标记将被解析器立即关闭——special文本将不在生成的dom中的该标记内。即使我禁用了名称空间功能：
def parser = new org.ccil.cowan.tagsoup.Parser()
parser.setFeature(parser.namespacesFeature,false)
def page = new XmlSlurper(parser).parseText(body)
另一种方法是使用标准解析器，并添加一个像这样的doctype：
<!DOCTYPE html PUBLIC "-//W3C//DTD XHTML 1.0 Transitional//EN"
"http://www.w3.org/TR/xhtml1/DTD/xhtml1-transitional.dtd">
这似乎适用于我的大多数文件，但解析器获取并处理dtd需要很长时间
有什么好办法解决这个问题吗？
附言：这是一些可以玩的示例代码：
@Grab(group='org.ccil.cowan.tagsoup', module='tagsoup', version='0.9.7')
def processNode(node) {
def out = new StringBuilder("")
node.children.each {
if (it instanceof String) {
out << it
} else {
out << "<${it.name()}>${processNode(it)}</${it.name()}>"
}
}
return out.toString()
}
def body = """<html>
<p>
This is a <span>test</span> with <b>some</b> formattings.<br />
And this has a <ac:special>special</ac:special> formatting.
</p>
</html>"""
def parser = new org.ccil.cowan.tagsoup.Parser()
parser.setFeature(parser.namespacesFeature,false)
def page = new XmlSlurper(parser).parseText(body)
def out = new StringBuilder("")
page.childNodes().each {
out << processNode(it)
}
println out.toString()
""
您必须决定是希望解析符合标准，还是使用DTD路径，或者只接受任何具有许可性的解析器。
根据我的经验，Tag汤对后者来说很好，它很少会产生任何问题，所以我很惊讶地读到你关于它处理"特殊"的评论。一个快速测试也表明我无法复制它：当运行这个命令时
java net.sf.saxon.Query -x:org.ccil.cowan.tagsoup.Parser -s:- -qs:. !encoding=ASCII !indent=yes
关于你的样品，我收到了的结果
<?xml version="1.0" encoding="ASCII"?>
<html xmlns="http://www.w3.org/1999/xhtml" xmlns:html="http://www.w3.org/1999/xhtml">
<body>
<p>
This is a <span>test</span> with <b>some</b> formattings.<br clear="none"/>
And this has a <ac:special xmlns:ac="urn:x-prefix:ac">special</ac:special> formatting.
</p>
</body>
</html>
来自TagSoup 1.2和1.2.1。因此，对于我来说，正如预期的那样，文本"special"出现在"ac:special"标签中。
至于DTD变体，您可以通过缓存代理来解析DTD，引用本地副本，甚至将DTD减少到所需的最低限度。以下内容应足以让您了解 实体：
<!DOCTYPE DOC[<!ENTITY nbsp " ">]>